机器k-means means
SPSS Modeler用K-means（K-均值）聚类、CHAID、CART决策树分析31省市土地利用情况和GDP数据|附文件数据
全文链接：http://tecdat.cn/?p=32840 原文出处：拓端数据部落公众号 随着经济的快速发展和城市化进程的不断推进，土地资源的利用和管理成为了一项极为重要的任务。而对于全国各省市而言，如何合理利用土地资源，通过科学的方法进行规划和管理，是提高土地利用效率的关键。 本文旨在应用SPS ......
docker 容器迁移到其他机器
docker 容器迁移到其他机器思路为：容器转为镜像，再保存为镜像文件，迁移到其他机器后导入为镜像 1、commit：将容器转镜像 # docker commit {container_id} {镜像名:版本号}docker commit 15a728d690ed fms/sd-webui:1.02 ......
机器学习——全连接层的参数开销
在深度学习中，全连接层无处不在。 然而，顾名思义，全连接层是“完全”连接的，可能有很多可学习的参数。 具体来说，对于任何具有d个输入和q个输出的全连接层， 参数开销为O(dq),这个数字在实践中可能高得令人望而却步。 幸运的是，将d个输入转换为q个输出的成本可以减少到O(dq/n)， 其中超参数n可 ......
LoadRunner分布式负载(多机器)
首先调用的负载机器可以没有LoadRunner，但是必须要有Agent Configuration： 全部勾选 在LoadRunner User的脚本中的接口调用必须使用ip，不能使用localhost。 打开Controller： 添加负载机： 测试连接： ready打钩表示连接通了。 点击菜单栏 ......
如何在Ubuntu20.04.3机器上使用kvm创建CentOs7.9的虚拟机
一、虚拟化背景 因为产品在Ubuntu的环境上部署兼容性差，Ubuntu的实体机上还运行着其他系统没办法进行系统的更换重装，所以只能出此下策~ 二、开始搭建 更新Ubuntu系统 打开终端并通过如下命令更新本地的软件包索引 $ sudo apt update $ sudo apt upgrade 检 ......
机器学习篇-指标:AUC
AUC是什么东西？AUC是一个模型评价指标，只能够用于二分类模型的评价，对于二分类模型来说还有很多其他的评价指标：比如：logloss，accuracy，precision在上述的评价指标当中，数据挖掘类比赛中，AUC和logloss是比较常见的模型评价指标那么问题来了||ヽ(￣▽￣)ノミ|Ю为啥是 ......
机器人学导论-约翰 J.克雷格
目录第五章 雅可比：速度和静力5.1 刚体的线速度和角速度5.5 机器人连杆运动 第五章 雅可比：速度和静力 5.1 刚体的线速度和角速度 \(V_{BORG}\)是坐标系B在A坐标系下的速度，\(^BV_Q\)是B坐标系下Q的速度，\(^A\Omega\)表示从坐标系A观测时，矢量Q的运动是绕着\ ......
机器学习——线性回归
回归 回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。 在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。 在机器学习领域中的大多数任务通常都与预测（prediction）有关。 当我们想预测一个数值时，就会涉及到回归问题。 常见的例子包括：预测价格（ ......
模拟 机器人的充电桩底板电压过大过小的 电压输出 测试操作方法
1个 dc power subbly直流稳压电源、铜丝电线若干根 接线如下： 1、把直流稳压电源的正极、负极 分别连接 电路板的正极、负极2、按下 直流稳压电源开关ON/OFF3、按下旋转VOLTAGE，电压V数值会闪，向左调小，向右调大， 停留1 ~ 2秒后则会按当前电源输出电压。 超出电压范围值 ......
机器学习——自动微分
深度学习框架可以自动计算导数的原理主要如下: 1. 深度学习框架实现了自动微分机制,可以自动生成计算图,并记录运算过程。 2. 在计算图中,每个变量都是计算节点,变量之间通过计算操作连接。 3. 框架会跟踪整个计算图,记录每个变量的运算关系和数据流动。 4. 对于要求导数的变量,我们将其标记为要求导 ......
机器学习——降维
默认情况下，调用求和函数会沿所有的轴降低张量的维度，使它变为一个标量。 x = torch.arange(4, dtype=torch.float32) x, x.sum() (tensor([0., 1., 2., 3.]), tensor(6.)) 我们还可以指定张量沿哪一个轴来通过求和降低维度 ......
k8s 扩容指定版本机器 kubeadm
一、新增机器 二、同步/etc/hosts文件 三、关闭新机器防火墙 systemctl stop firewalld systemctl disable firewalld 四、新机器增加repo文件 cat kubernetes.repo [kubernetes] name=Kubernetes ......
土狗夹子机器人使用教程
币圈量化夹子机器人使用步骤 第 1 步 - 在谷歌浏览器 中设置 MetaMask小狐狸 钱包获取MetaMask小狐狸钱包地址：https://metamask.io/ 第 2 步 - 将币安智能链网络添加到 MetaMask将BSC智能链添加到小狐狸钱包： 第 3 步 - 打开Remix部署智能 ......
机器学习——数据预处理（读这一篇就够了！）
为了能用深度学习来解决现实世界的问题，我们经常从预处理原始数据开始， 而不是从那些准备好的张量格式数据开始。 下面我们将简要介绍使用pandas预处理原始数据，并将原始数据转换为张量格式的步骤。 1.读取数据集 举一个例子，我们首先创建一个人工数据集，并存储在CSV（逗号分隔值）文件 ../data ......
【Python微信机器人】第二篇：将python注入到其他进程
目录修整 目前的系列目录(后面会根据实际情况变动): 在windows11上编译python 将python注入到其他进程并运行 使用C++写一个python的pyd库，用于实现inline hook Python ctypes库的使用 使用ctypes主动调用进程内的任意函数 使用汇编引擎调用进程 ......
图机器学习：从图谱角度来理解图增广
图对比学习（Graph Contrastive Learning, GCL）旨在以自监督的方式学习图的节点表征。具体而言，先以特定方式对原图A进行增广，得到两个增广后的视图（view）V1和V2做为对比对（也可以是原图和增广后的视图做为对比对），并经由GCN进行编码得到两个增广视图中的节点embed... ......
数据分析和机器学习的11个高级可视化图表介绍
可视化是一种强大的工具，用于以直观和可理解的方式传达复杂的数据模式和关系。它们在数据分析中发挥着至关重要的作用，提供了通常难以从原始数据或传统数字表示中辨别出来的见解。 可视化对于理解复杂的数据模式和关系至关重要，我们将介绍11个最重要和必须知道的图表，这些图表有助于揭示数据中的信息，使复杂数据更加 ......
两台实体机器4个虚拟机节点的Hadoop集群搭建（Ubuntu版）
安装Ubuntu Linux元信息 两台机器，每台机器两台Ubuntu Ubuntu版本：ubuntu-22.04.3-desktop-amd64.iso 处理器数量2，每个处理器的核心数量2，总处理器核心数量4 单个虚拟机内存8192MB（8G），最大磁盘大小30G 参考链接 清华大学开源软件镜像 ......
机器学习张量运算——广播机制
概念介绍（基础） 练习* 用其他形状（例如三维张量）替换广播机制中按元素操作的两个张量。结果是否与预期相同？ a = torch.arange(20).reshape((5,1,4)) b = torch.arange(48).reshape((6,2,4)) (a+b).shape Runtime ......
机器学习——数据操作（读这一篇就够了！）
为了能够完成各种数据操作，我们需要某种方法来存储和操作数据。 首先，我们介绍维数组，也称为<strong><em>张量</em></strong>（tensor）。 使用过Python中N ......
机器学习知识点目录
监督学习 回归 线性回归 线性回归表达式 \[\hat{y} = w x + b \]其中，\(\hat{y}\)表示预测值，\(\theta_0\)表示截距，\(\theta_1\)到\(\theta_n\)表示回归系数，\(x_1\)到\(x_n\)表示特征。 代价函数 \[J(\theta) ......
【无监督机器学习】10.强化学习
强化学习 强化学习概念 强化学习是一种无监督学习，它的目标是从环境中学习，以达成某种目标。强化学习的核心是奖励函数，通过与环境的交互，获得环境的反馈，从而学习到奖励函数，最终达成目标。 与监督学习不同的是，强化学习并未给出正确的答案，而是根据奖励一步步学习，因此强化学习的训练过程是一个不断试错的过程 ......
【无监督机器学习】9.推荐系统
推荐系统 推荐系统的定义 推荐系统是利用用户产生的行为数据，对用户的兴趣进行建模，从而给用户推荐可能感兴趣的物品。 推荐系统的应用 电商网站 新闻网站 流媒体平台 协同过滤 协同过滤是一种基于用户行为的推荐算法，它的基本思想是利用用户的历史行为数据，计算用户之间的相似度，然后根据相似度为用户生成推荐 ......
机器学习语音处理：滤波器组、梅尔频率倒谱系数 （MFCC）
机器学习语音处理：滤波器组、梅尔频率倒谱系数 （MFCC） 以及介于两者之间的内容 语音处理在任何语音系统中都起着重要作用，无论是自动语音识别（ASR）还是说话人识别或其他东西。长期以来，梅尔频率倒谱系数 （MFCC） 是非常流行的特征;但最近，过滤器库变得越来越受欢迎。本文将讨论过滤器组和MFCC ......
R语言改进的K-Means(K-均值)聚类算法分析股票盈利能力和可视化|附代码数据
全文链接：http://tecdat.cn/?p=32418 原文出处：拓端数据部落公众号 大量数据中具有"相似"特征的数据点或样本划分为一个类别。聚类分析提供了样本集在非监督模式下的类别划分。 人们在投资时总期望以最小的风险获取最大的利益，面对庞大的股票市场和繁杂的股票数据，要想对股票进行合理的分 ......
[机器学习] 4. 没有免费午餐定理 No Free Lunch 与 PAC 可学习性
我们来补习一下统计学习框架的正式模型。 输入 一个学习者可以访问以下内容 作用域集合 (Domain set)：一个任意的集合 \(\mathcal X\)，学习者的目标是对其上面的元素进行标记。 标签集合 (Label set)：所有可能的标签 \(\mathcal Y\)。许多时候被限制为 \( ......
机器学习问题分类（监督学习、无监督学习、强化学习）
1.监督学习 监督学习（supervised learning）擅长在“给定输入特征”的情况下预测标签。 每个“特征-标签”对都称为一个样本（example）。 整个监督学习过程如图所示。 图 监督学习 1.1回归 回归（regression）是最简单的监督学习任务之一。当标签取任意数值时，我们称之 ......
《动手学深度学习 Pytorch版》 9.5 机器翻译与数据集
机器翻译（machine translation）指的是将序列从一种语言自动翻译成另一种语言，基于神经网络的方法通常被称为神经机器翻译（neural machine translation）。 import os import torch from d2l import torch as d2l 9 ......